目标检测概述-中篇

YOLO

---

使用单个神经网络，在一次评估中直接从完整图像上预测边界框和类别概率。由于整个检测流程仅用一个网络，所以可以直接对检测性能进行端到端的优化。

YOLO结构： ---- GoogleNet + 4个卷积 + 2个全连接层

• 1、把图像缩放到448X448
• 2、在图上运行卷积网络
• 3、根据模型的置信度对检测结果进行阈值处理

• 输出7 * 7 * 30 的理解

单元格（cell）

7 x 7=49个像素值，理解成49个单元格，每个单元格可以代表原图的一个方块。单元格需要做的两件事：

• 每个边界框包含两个目标预测，每个目标包括5个预测值：x，y，w，h和置信度
• 每个单元格预测两个(默认)bbox位置，两个bbox置信度(confidence) ： 7 x 7 x 2=98个bbox。30=(4+1+4+1+20), 4个坐标信息，1个置信度(confidence)代表一个bbox的结果， 20代表 20类的预测概率结果

• 网格输出筛选

1. 一个网格会预测两个Bbox，在训练时我们只有一个Bbox专门负责（一个Object 一个Bbox）

2. 20 个类别概率代表这个网络中的一个bbox

3. confidence

   • 如果grid cell里面没有object，confidence就是0

   • 如果有，则confidence score等于 预测的box和ground truth的IOU乘积,(每个cell 中两个bbox 都与真实值比较，确定最终的bbox)

• 非最大抑制(NMS)

训练损失

• 三部分损失 bbox损失+confidence损失+classfication损失

YOLO V2

针对YOLO算法，改进：（训练机制，网络改变–Darknet-19，k-means聚类算法对训练集中的边界框做了聚类分析，直接位置预测）

YOLO V3

改进：（网络Darknet-53，逻辑回归替代softmax作为分类器）

参考：
https://zhuanlan.zhihu.com/p/94986199
YOLO 论文